人工智慧的歷史進程能走多遠？

【本文正在參與鈦媒體最新一期話題競拍《人工智慧是狼來了嗎？》，獎勵豐厚，如有不同觀點，歡迎投稿來辯！】

不知從何時起，人類發覺自己所生活的現實世界與科幻小說、影視作品中的世界架構愈趨相似，這僅僅是直覺上的誤區？還是真實的歷史進程？、

談起人工智慧，我們不由提及一部曾經聞名世界的Cyberpunk風格科幻作品《攻殼機動隊》（Ghost in the Shell）。被譽為電影《黑客帝國》之母的《攻殼》一作中，未來世界龐大的信息網路在超越空間與物理介質之後早已渾然一體、無處不在，人類的組織器官實現了義體（人造）化，大腦意識可經由義體介面進入虛擬網路甚至進行各種意義上的信息同步。

當然，這些僅僅是作品世界觀架構鋪墊的需要，《攻殼》的真正內涵在於關乎「人類與智能」的問題。

Ghost in the Shell中的Shell一詞有著豐富的解釋，普通人可以認為其指外殼，程序員可以認為是人機界面，總之，它是沒有靈魂的東西。在這樣的軀殼中注入智能，是否就意味著其整體就擁有了靈魂（意識）？

而人類本身假如從邏輯上拆分為身體與記憶兩部分，是否也意味著如同Ghost in the Shell一般的存在？這是作品留給世人最大的思考。

十分湊巧的是，由派拉蒙影業公司出品、斯嘉麗•約翰遜主演的真人版《攻殼機動隊》電影將於4月7日登陸國內各大影院。如今正值第三輪人工智慧全球熱潮掀起之際，人工神經網路、機器學習方面的新突破在全球互聯與移動互聯大背景的助推下令人工智慧被賦予了前所未有的巨大勢能，市場、消費者、業界各方几乎一致堅信該領域將湧現出再次改變世界的技術革新。

由作品反思現實，我們可知人工智慧的起源，在於人類對機器智能改造的探索。現代意義上的AI始於古典哲學家用機械符號來處理觀點以解釋人類思考過程的嘗試。20世紀40年代基於抽象數學推理的第一部電子計算機的問世使一批科學家開始嚴肅探討構造一個電子大腦的可能性。

1956年夏季達特茅斯學院的一次科研會議開啟了人工智慧在計算機科學領域的發展起點。此後經曆數代人的努力，大量科學家前仆後繼投入到人工智慧的項目研究之中，然而在不斷的高潮與低谷交替過後，具備人腦同等智力水平的AI仍未出世。

研究人員大大低估了這一工程的實現難度，歷史上也曾出現過多次人工智慧低潮。

70年代初，AI開始遭遇了來自學術派系、科研進展、倫理以及實用主義方面的批評，這導致英國與美國政府先後停止向沒有明確研究方向的人工智慧科研項目撥款。

當時的AI瓶頸主要來自幾個方面：

其一是70年代計算機有限的處理速度與內存不足以解決AI關鍵性的實質問題。

在DEC小型機如沐春風的年代，搭載了System/360的IBM大型機幾乎承擔了所有大型科研項目，然而在計算複雜性和呈指數爆炸的AI推理與機器學習問題面前，大型機仍然力有未逮。

其二是機器智能與人腦的差異陷入悖論。

一些科學家發現儘管人腦的邏輯推理能力在計算機上實現只需要少量運算資源，但機器卻無法勝任諸如「右腦思維」的直覺、潛意識等功能。

比方說讓電腦像成年人一樣下棋相對簡單，但要具備兒童那種避開障礙的協調能力則相當困難。第三則是來自加大伯克利教授約翰•希爾勒的著名反駁——「中文房間」。該實驗思想的提出是對當時人工智慧科研進展的一次重大批評式打擊，迫使AI研究者此後不得不作出思維與認識上的改變。

80年代以後，AI的研究重點轉向「知識」與「認知」，目標是造出能夠實現人機對話、語言翻譯、圖像識別並且能像人腦一樣思考推理的機器智能。這與我們今天所熟知的人工智慧十分相似。

從1997年IBM「深藍」在國際象棋領域的卓越表現到2016年AlphaGo的橫空出世，人工智慧由早期的編程語言構建邏輯推算全面過渡至基於人工神經網路的機器學習和認知模擬階段

。儘管這一過程AI藉助現代計算機硬體處理能力以及成熟的編程語言和演算法優勢有所突破，然而科學家們的初衷並未實現——具備人類同等智力的機器智能。每當人工智慧向前邁了一小步，世人更多討論的是諸如AI會不會讓自己飯碗不保這類與現實依舊遙遠的問題。但事實是如果根據Gartner的Hype Cycle曲線，在2016年機器學習正處於第一個高峰上，那麼它很快就會走進一個下行通道。

人工智慧進化路線的終點——與人腦同等智力的機器智能，研究者們總因一步之遙而望洋興嘆。科學家攻克了機器模擬人腦邏輯推算的全部功能，這方面AI做得甚至優於人類本身，但面對重構人類與生俱來的右腦思維，這項工程猶如不可能完工的巴別塔。

幾個例子來一窺其艱巨，儘管這不是問題的全部。首先是博弈論與理想化模型。博弈論是應用數學的一個分支，它的參與者是「理性經濟人」，是恪守嚴格優勢策略的絕對理性人格，那麼同樣「絕對理性」的機器演算法似乎是最合適的博弈參與者。

但是問題在於博弈環境的構建並非循規蹈矩，用於實踐的理想化模型永遠與現實存在差異。如果說機器是完全恪守邏輯的，那麼其只能在堆疊理性的基礎上不斷建模，試圖接近人類特徵。但這樣的結論是AI所擁有的知識永遠只是人類知識的一個子集，讓AI下棋容易，要想剖析人性的複雜和社會的遷演則難於登天。事實上這也是博弈論的弱點，但並非錯誤。

另一個例子是信息熵。上世紀中葉香農將熱力學的熵引入到資訊理論是件偉大的事，這至少讓後來的AI研究者有了度量工程複雜的手段。

簡而言之，在資訊理論里，熵是對不確定性的測量度量；換句話說，熵值越高，能傳輸的信息量越多，反之則越少。比方說，英語文本數據流的熵比較低，這意味著即使不通讀全句，也能夠預測這句話的意思。英語文本每字母需要8bit編碼，但是它的熵只有4.7bit，而中文熵則高達9.65bit，因為同等單位中文所包含的信息量要高得多。

由此可以解釋一些事情，一些文字使用者（比如學術研究、翻譯小組）總是抱怨機翻的水平低得嚇人。事實上，這些年機翻的表現已經有了很大提升，至少能讓一個完全不懂第二語言的人徹底明白機翻的意思。但是要盡善盡美，恐怕還有相當距離。

另外，許多研究者早已察覺，人工智慧最大的瓶頸在於人類對本身大腦認知的缺失。迄今為止，科學家仍無法解釋諸如人腦意識是如何產生、潛意識是如何運作等問題。

但有一點可以肯定的是，關於右腦思維、直覺、感知、協調性、想象力等等，這些毫無疑問與記憶有關，準確說是與經驗有關。

所以當經歷了「中文房間」的嘲諷之後，研究者開始改變思路，人工智慧的方向從「推理」轉向以「知識」和「學習」為重點。今天我們看到人工神經網路已初顯成效，決策樹、蒙特卡羅模擬這些方法被廣泛運用，人類對AI的熱情被再度點燃。

儘管我們仍無法得知沿著這條線路能否抵達人工智慧的進化終點——與人腦同等智力的機器智能，但AI進化過程所衍生的新技術在大眾消費以及專有領域已為世人享之不盡。或許，我們真正所追求的並非最初想要的結果。

跟隨阿姆斯特朗出艙第二個踏上月球的宇航員奧爾德林在接受記者關於火星登陸難題的採訪時曾說：

「如果我們只是去了就回、下一次再去，國會也許就會說：『我們已經到過火星了，可以把錢用在其他地方了。』你懂的，這就是政治，美國政客們總是希望花錢搞些新的東西。」

技術革新總是在人類的現實博弈面前且行且緩，用尚未到來的「歷史進程」一詞來解釋，恐怕最恰當不過了。